UniTR

多模态变换器网络推动3D感知进展

UniTR是一种新型统一多模态变换器网络,用于3D感知任务。它通过共享权重处理相机和激光雷达等多传感器数据,实现高效多模态融合。在nuScenes数据集上,UniTR在3D目标检测和BEV地图分割任务中均达到最新水平,且降低推理延迟。该研究为提升自动驾驶系统的感知能力提供了新思路。

访问官网

Github

论文

介绍相关项目

UniControl - 优化多任务条件生成的统一扩散模型

GithubUniControl任务推理开源项目控制生成模型训练视觉生成

UniControl项目展示了一种新的多任务条件生成模型，支持多种语言提示，通过增强的预训练文本到图像扩散模型和任务感知的HyperNet，实现高精度图像生成和多任务适应。实验结果表明，UniControl在多个单任务控制方法上表现更佳，是可控视觉生成领域的重要进展。

MT-UNet - 融合Transformer和UNet的医学图像分割新模型

GithubMT-UNet医学图像分割开源项目数据集准备权重文件模型训练

MT-UNet是一种结合Transformer和UNet优势的医学图像分割模型。该模型在Synapse和ACDC数据集上分别达到79.20%和91.61%的DSC评分。MT-UNet通过混合transformer结构实现多尺度特征融合，为医学图像分析提供新思路。项目开源代码和预训练权重，便于研究者复现结果和深入研究。

Fast-BEV - 新一代鸟瞰视角感知系统

Fast-BEVGithub开源项目深度学习自动驾驶计算机视觉鸟瞰图感知

Fast-BEV是一种先进的鸟瞰视角感知系统，专注于3D目标检测和BEV语义分割。该项目针对自动驾驶等应用场景进行了优化，提供多种模型配置和CUDA、TensorRT加速支持。Fast-BEV不仅在性能和速度方面表现卓越，还提供了完整的安装指南、数据准备流程和训练方法，为研究人员和开发者提供了强大的工具。作为领先的感知算法和计算机视觉解决方案，Fast-BEV为鸟瞰视角感知任务设立了新的标准。

Chat-UniVi - 统一视觉表示赋能大语言模型理解图像和视频

Chat-UniViGithub图像视频统一多模态大语言模型开源项目视觉理解

Chat-UniVi是一个多模态AI模型，采用统一的视觉表示方法实现图像和视频的同步理解。该模型运用动态视觉令牌技术，有效捕捉图像空间细节和视频时序关系。经过联合训练，Chat-UniVi在图像和视频理解任务中表现优异，性能超过专门设计的单一模态模型。模型支持多轮对话，能处理包含多个图像或视频的复杂场景，为视觉AI研究提供新思路。

Transformer_Tracking - 视觉追踪中Transformer应用的全面综述和前沿动态

GithubTransformer开源项目深度学习目标检测视觉跟踪计算机视觉

本项目汇总了Transformer在视觉追踪领域的应用进展,包括统一追踪、单目标追踪和3D单目标追踪等方向。内容涵盖最新研究论文、技术趋势分析、基准测试结果以及学习资源,为相关研究人员和从业者提供全面的参考信息。重点关注自回归时序建模、联合特征提取与交互等前沿技术,展现了视觉追踪的最新发展动态。

superpoint_transformer - 高效3D场景语义和全景分割的超点变换器

3D全景分割3D语义分割GithubICCV 2023SuperClusterSuperpoint Transformer开源项目

Superpoint Transformer 是一种超点 transformer 架构，适用于大规模 3D 场景的语义分割。通过自注意机制和层次化超点结构，它能多尺度挖掘超点间关系，性能卓越。同时，SuperCluster 将全景分割任务转化为超点图聚类任务，能在单个 GPU 上处理大规模场景。项目亮点包括显著的SOTA表现、快速训练和预处理等。点击查看更多详情及项目更新。

UCTransNet - 融合U-Net与Transformer的医学图像分割网络

GithubTransformerU-NetUCTransNet医学图像分割开源项目深度学习

UCTransNet是一种结合U-Net和Transformer优势的医学图像分割网络。它通过Channel Transformer模块替代U-Net的跳跃连接，从通道维度优化特征融合。该模型在GlaS和MoNuSeg等数据集上表现优异，为医学影像分析提供新思路。项目开源代码实现和预训练模型，并提供详细使用说明，方便研究者探索和应用。

PointLLM - 多模态大语言模型理解点云数据的突破性进展

3D点云GithubPointLLM多模态大语言模型开源项目计算机视觉

PointLLM是一个创新的多模态大语言模型，可理解物体的彩色点云数据。该模型能够感知物体类型、几何结构和外观，而不受深度模糊、遮挡或视角依赖等问题影响。项目团队收集了包含660K简单和70K复杂点云-文本指令对的数据集，并采用两阶段训练策略。为评估模型的感知和泛化能力，研究人员建立了生成式3D物体分类和3D物体描述两个基准，并使用三种评估方法进行测试。

MOTSFusion - 将3D多目标跟踪与场景重建融合的创新算法

3D重建GithubKITTI数据集MOTSFusion开源项目目标跟踪计算机视觉

MOTSFusion项目提出了一种创新的多目标跟踪算法,通过融合3D跟踪和场景重建技术来提高准确性。该算法利用立体图像、光流和视差信息,结合分割网络和检测器,实现对车辆和行人的精确跟踪。项目在KITTI MOTS数据集上展现了优异性能,并开源了完整代码。这种方法为自动驾驶等应用中的多目标跟踪提供了新的思路。

Chat-UniVi - 基于动态视觉令牌的图像视频双模态理解模型

Chat-UniViGithubHuggingface图像处理多模态大语言模型开源项目模型视频理解

Chat-UniVi是一个创新的大语言模型框架，采用动态视觉令牌技术实现图像和视频的统一处理。通过混合数据集训练，模型可同时处理图像空间信息和视频时序关系，性能超越了单一模态的专用模型。该项目为多模态AI技术发展提供了新的解决方案。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com